CN116662900A - 一种低频电压的局部放电程度识别方法及系统 - Google Patents
一种低频电压的局部放电程度识别方法及系统 Download PDFInfo
- Publication number
- CN116662900A CN116662900A CN202310515415.1A CN202310515415A CN116662900A CN 116662900 A CN116662900 A CN 116662900A CN 202310515415 A CN202310515415 A CN 202310515415A CN 116662900 A CN116662900 A CN 116662900A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- degree
- distribution
- voltage
- fitting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000009826 distribution Methods 0.000 claims abstract description 109
- 230000008859 change Effects 0.000 claims abstract description 41
- 238000005315 distribution function Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 34
- 230000001052 transient effect Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000009413 insulation Methods 0.000 abstract description 37
- 230000032683 aging Effects 0.000 abstract description 12
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种低频电压的局部放电程度识别方法及系统,属于局部放电识别技术领域。现有方案,没有公开如何识别局部放电的严重程度。本发明的一种低频电压的局部放电程度识别方法,通过构建拟合分布模型,对局部放电数据拟合,得到局放分布状况;根据局放分布状况,计算形状参数或/和尺度参数,并得到形状参数或/和尺度参数的变化趋势;根据变化趋势,确定用于区分局放程度的阈值;根据阈值,能够对发生局放的程度进行准确识别;并且基于形状参数或/和尺度参数的变化趋势进行判断,识别结果准确,不会被外界因素干扰,不易出现误判,进而可对绝缘系统的可靠性以及绝缘老化程度进行准确评估,可以满足复杂电力系统的实际要求。
Description
技术领域
本发明涉及一种低频电压的局部放电程度识别方法及系统,属于局部放电识别技术领域。
背景技术
电气设备长期工作在高温高压、高湿度、强磁、大电流条件下,会发生温度越限、绝缘老化、绝缘击穿等绝缘受到破坏的情况,其中设备绝缘中的局部放电是绝缘失效前的重要征兆。低频电压作用下变压器油纸绝缘、SF6气体等绝缘材料的局部放电特性尚不明确,目前尚无针对低频电压下的电气设备绝缘局部放电严重程度的识别方法。
进一步,中国专利(公布号:CN 109829412A)公开了一种基于动态模式分解分形特征的局部放电模式识别方法,包括:对获得的变压器局部放电信号进行动态模式分解,得到分解出的模态函数矩阵;取模态函数矩阵的列向量,构建模态函数的二维图谱;对二维图谱进行图像预处理,得到信息完整的二维图像;提取二维图像的分形特征,构建模式识别的特征量;使用分类器,对构建的模式识别的特征量进行模式识别。检测的局部放电缺陷类型为金属尖端放电,沿面放电和气泡放电。
上述方案能够对局部放电的模式进行识别,但没有公开如何识别局部放电的严重程度。
并且现有其他检测技术,一般对电气设备的局部放电检测是在被测设备装设传感器,判断局部放电发生与否,但对判断放电严重程度也存在困难,且结果易受到外界因素的影响,导致单次检测结果出现误差,或者可能出现误判,进而影响绝缘系统的可靠性以及绝缘老化程度准确评估,难以满足复杂电力系统的实际要求。
发明内容
针对现有技术的缺陷,本发明的目的一在于提供一种通过构建拟合分布模型,对局部放电数据拟合,得到局放分布状况;根据局放分布状况,计算形状参数或/和尺度参数,并得到形状参数或/和尺度参数的变化趋势;根据变化趋势,确定用于区分局放程度的阈值;根据阈值,能够对发生局放的程度进行准确识别;并且基于形状参数或/和尺度参数的变化趋势进行判断,识别结果准确,不会被外界因素干扰,不易出现误判,进而可对绝缘系统的可靠性以及绝缘老化程度进行准确评估的低频电压的局部放电程度识别方法。
本发明的目的二在于提供一种通过构建最佳拟合分布函数模型,对局部放电数据拟合,得到函数分布图;根据函数分布图,计算形状参数和尺度参数,并得到形状参数和尺度参数的变化趋势;根据变化趋势,选取区分局放程度的阈值;根据阈值,能够对发生局放的程度进行准确识别;并且基于形状参数和尺度参数的变化趋势进行判断,识别结果准确,不会被外界因素干扰,不易出现误判,进而可对绝缘系统的可靠性以及绝缘老化程度进行准确评估的低频电压的局部放电程度识别方法。
本发明的目的三在于提供一种通过设置放电数据获取模块、拟合分布模块、阈值确定模块、局放程度识别模块,对局部放电数据拟合,得到局放分布状况以及形状参数或/和尺度参数的变化趋势;根据变化趋势,确定用于区分局放程度的阈值;根据阈值,能够对发生局放的程度进行准确识别;并且基于形状参数或/和尺度参数的变化趋势进行判断,识别结果准确,不会被外界因素干扰,不易出现误判,进而可对绝缘系统的可靠性以及绝缘老化程度进行准确评估的低频电压的局部放电程度识别系统。
本发明的目的四在于提供一种通过模型的特征参数,对电气设备局部放电进行基于阈值的程度识别,分析放电程度的严重与否,进而可及时知晓故障特点,采取相应措施,避免绝缘的进一步故障,预防严重事故的发生,可以满足复杂电力系统的实际要求的低频电压的局部放电程度识别方法及系统。
为实现上述目的之一,本发明的第一种技术方案为:
一种低频电压的局部放电程度识别方法,包括以下内容:
获得不同电压幅值下的局部放电数据;
通过预先构建的拟合分布模型,对局部放电数据拟合,得到局放分布状况;
根据局放分布状况,计算形状参数或/和尺度参数,并得到形状参数或/和尺度参数的变化趋势;
根据变化趋势,确定用于区分局放程度的阈值;
根据阈值,对发生局放的程度进行识别。
本发明经过不断探索以及试验,通过构建拟合分布模型,对局部放电数据拟合,得到局放分布状况;根据局放分布状况,计算形状参数或/和尺度参数,并得到形状参数或/和尺度参数的变化趋势;根据变化趋势,确定用于区分局放程度的阈值;根据阈值,能够对发生局放的程度进行准确识别;并且基于形状参数或/和尺度参数的变化趋势进行判断,识别结果准确,不会被外界因素干扰,不易出现误判,进而可对绝缘系统的可靠性以及绝缘老化程度进行准确评估。
进一步,本发明利用拟合分布模型以及局放分布状况,拟合局放信号,通过模型的特征参数,对电气设备局部放电进行基于阈值的程度识别,分析放电程度的严重与否,进而可及时知晓故障特点,采取相应措施,避免绝缘的进一步故障,预防严重事故的发生,可以满足复杂电力系统的实际要求。
再进一步,本发明可根据形状参数或/和尺度参数曲线中数据点的分布情况对局放严重程度进行划分。
本发明局放严重程度的阈值选取原则为:将形状参数或/和尺度参数的第80百分位数作为严重放电的阈值。
作为优选技术措施:
局部放电数据的获取方法如下:
通过暂态地电压法或/和超声波检测法或/和特高频检测法对高压电气设备进行多次测量,以获取若干重复的不同电压幅值下高压电气设备的局部放电电压波形信号;
提取局部放电电压波形信号的峰值,并将峰值换算为分贝值,从而得到局部放电数据。
作为优选技术措施:
暂态地电压法的测量方法如下:
根据高压电气设备的局放暂态地电压信号幅值范围,暂态地电压以毫伏作基准值,并利用检测到的暂态对地电压信号幅值进行计算;
超声波检测法的测量方法如下:
根据高压电气设备的局放超声波信号的幅值变化跨度,局放超声波信号以微伏作为基准,并利用检测到的局放超声波信号幅值进行计算;
特高频检测法的测量方法如下:
特高频信号以毫瓦作为基准,根据射频测量设备的输入阻抗和负载阻抗的阻值以及信号功率,得到特高频信号的功率。
作为优选技术措施:
拟合分布模型为最佳拟合分布函数模型,其构建方法如下:
选取换算后非噪声值的某一电压幅值下的局部放电数据;
利用多种概率分布函数,对局部放电数据进行拟合,并得到拟合优度检验参数;
根据拟合优度检验参数,选出最佳拟合分布函数,完成拟合分布模型的构建。
作为优选技术措施:
多种概率分布函数包括正态函数、对数正态函数、韦氏分布函数;
所述正态函数、对数正态函数、韦氏分布函数通过广义幂变换或/和幂变换进行变换处理。
作为优选技术措施:
拟合优度检验参数至少包括服从程度值和支持程度值;
服从程度值,用于测量数据服从特定分布的程度;
支持程度值,用于表示样本证据对拒绝原假设的支持程度,如果支持程度值小于或等于显著性水平,则决策为否定原假设并得出数据不服从分布的结论;
如果支持程度值大于显著性水平,则决策为无法否定原假设,认为服从这种分布情况。
作为优选技术措施:
局放分布状况为数据分布概率图,用于对某一电压幅值下的局部放电数据进行拟合,并得到最佳拟合分布函数的形状参数或/和尺度参数;
数据分布概率图利用随机变量,对形状参数或/和尺度参数进行构建。
或/和,变化趋势的得到方法如下:
利用散点图对比分析电压幅值升高时,形状参数或/和尺度参数的变化情况,从而得到形状参数或/和尺度参数的变化趋势。
为实现上述目的之一,本发明的第二种技术方案为:
一种低频电压的局部放电程度识别方法,包括以下内容:
获得不同电压幅值下的局部放电数据;
通过预先构建的最佳拟合分布函数模型,对局部放电数据拟合,得到函数分布图;
根据函数分布图,计算形状参数和尺度参数,并得到形状参数和尺度参数的变化趋势;
根据变化趋势,选取区分局放程度的阈值;
根据阈值,对发生局放的程度进行识别。
本发明经过不断探索以及试验,通过构建最佳拟合分布函数模型,对局部放电数据拟合,得到函数分布图;根据函数分布图,计算形状参数和尺度参数,并得到形状参数和尺度参数的变化趋势;根据变化趋势,选取区分局放程度的阈值;根据阈值,能够对发生局放的程度进行准确识别;并且基于形状参数和尺度参数的变化趋势进行判断,识别结果准确,不会被外界因素干扰,不易出现误判,进而可对绝缘系统的可靠性以及绝缘老化程度进行准确评估。
进一步,本发明利用最佳拟合分布函数模型以及函数分布图,拟合局放信号,通过模型的特征参数,对电气设备局部放电进行基于阈值的程度识别,分析放电程度的严重与否,进而可及时知晓故障特点,采取相应措施,避免绝缘的进一步故障,预防严重事故的发生,可以满足复杂电力系统的实际要求。
为实现上述目的之一,本发明的第三种技术方案为:
一种低频电压的局部放电程度识别方法,包括以下步骤:
第一步,获得不同电压幅值下的局部放电数据;
第二步,通过预先构建的拟合分布模型,对第一步中的局部放电数据拟合,得到局放分布状况;
第三步,根据第二步中的局放分布状况,计算形状参数或/和尺度参数,并得到形状参数或/和尺度参数的变化趋势;
第四步,根据第三步中的变化趋势,确定用于区分局放程度的阈值;
第五步,根据第四步中的阈值,对发生局放的程度进行识别。
本发明经过不断探索以及试验,通过构建拟合分布模型,对局部放电数据拟合,得到局放分布状况;根据局放分布状况,计算形状参数或/和尺度参数,并得到形状参数或/和尺度参数的变化趋势;根据变化趋势,确定用于区分局放程度的阈值;根据阈值,能够对发生局放的程度进行准确识别;并且基于形状参数或/和尺度参数的变化趋势进行判断,识别结果准确,不会被外界因素干扰,不易出现误判,进而可对绝缘系统的可靠性以及绝缘老化程度进行准确评估。
进一步,本发明利用拟合分布模型以及局放分布状况,拟合局放信号,通过模型的特征参数,对电气设备局部放电进行基于阈值的程度识别,分析放电程度的严重与否,进而可及时知晓故障特点,采取相应措施,避免绝缘的进一步故障,预防严重事故的发生,可以满足复杂电力系统的实际要求。
为实现上述目的之一,本发明的第四种技术方案为:
一种低频电压的局部放电程度识别系统,采用上述的一种低频电压的局部放电程度识别方法;其包括放电数据获取模块、拟合分布模块、阈值确定模块、局放程度识别模块。
放电数据获取模块,用于获得不同电压幅值下的局部放电数据;
拟合分布模块,用于对局部放电数据进行拟合,得到局放分布状况以及形状参数或/和尺度参数的变化趋势;
阈值确定模块,用于确定用于区分局放程度的阈值;
局放程度识别模块,用于根据阈值,对发生局放的程度进行识别。
本发明经过不断探索以及试验,通过设置放电数据获取模块、拟合分布模块、阈值确定模块、局放程度识别模块,对局部放电数据拟合,得到局放分布状况以及形状参数或/和尺度参数的变化趋势;根据变化趋势,确定用于区分局放程度的阈值;根据阈值,能够对发生局放的程度进行准确识别;并且基于形状参数或/和尺度参数的变化趋势进行判断,识别结果准确,不会被外界因素干扰,不易出现误判,进而可对绝缘系统的可靠性以及绝缘老化程度进行准确评估。
进一步,本发明通过模型的特征参数,对电气设备局部放电进行基于阈值的程度识别,分析放电程度的严重与否,进而可及时知晓故障特点,采取相应措施,避免绝缘的进一步故障,预防严重事故的发生,可以满足复杂电力系统的实际要求。
与现有技术相比,本发明具有以下有益效果:
本发明经过不断探索以及试验,通过构建拟合分布模型,对局部放电数据拟合,得到局放分布状况;根据局放分布状况,计算形状参数或/和尺度参数,并得到形状参数或/和尺度参数的变化趋势;根据变化趋势,确定用于区分局放程度的阈值;根据阈值,能够对发生局放的程度进行准确识别;并且基于形状参数或/和尺度参数的变化趋势进行判断,识别结果准确,不会被外界因素干扰,不易出现误判,进而可对绝缘系统的可靠性以及绝缘老化程度进行准确评估。
进一步,本发明利用拟合分布模型以及局放分布状况,拟合局放信号,通过模型的特征参数,对电气设备局部放电进行基于阈值的程度识别,分析放电程度的严重与否,进而可及时知晓故障特点,采取相应措施,避免绝缘的进一步故障,预防严重事故的发生,可以满足复杂电力系统的实际要求。
更进一步,本发明经过不断探索以及试验,通过设置放电数据获取模块、拟合分布模块、阈值确定模块、局放程度识别模块,对局部放电数据拟合,得到局放分布状况以及形状参数或/和尺度参数的变化趋势;根据变化趋势,确定用于区分局放程度的阈值;根据阈值,能够对发生局放的程度进行准确识别;并且基于形状参数或/和尺度参数的变化趋势进行判断,识别结果准确,不会被外界因素干扰,不易出现误判,进而可对绝缘系统的可靠性以及绝缘老化程度进行准确评估。
附图说明
图1是本发明低频电压的局部放电程度识别方法的一种流程图。
图2是本发明电气设备绝缘在低频电压下局部放电程度识别方法的一种流程图;
图3是本发明7kV下的韦氏分布概率图;
图4是本发明不同电压等级下形状参数的散点图;
图5是本发明不同电压等级下尺度参数的散点图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本发明。本文所使用的术语“或/和”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示,本发明低频电压的局部放电程度识别方法的第一种具体实施例:
一种低频电压的局部放电程度识别方法,包括以下内容:
获得不同电压幅值下的局部放电数据;
通过预先构建的拟合分布模型,对局部放电数据拟合,得到局放分布状况;
根据局放分布状况,计算尺度参数,并得到尺度参数的变化趋势;
根据变化趋势,确定用于区分局放程度的阈值;
根据阈值,对发生局放的程度进行识别。
本发明低频电压的局部放电程度识别方法的第二种具体实施例:
一种低频电压的局部放电程度识别方法,包括获取电气设备局部放电信号如特高频信号,暂态地电压信号、超声波信号等;将获取的随机局放信号拟合为概率分布模型;通过分析比较不同电压下分布函数的尺度参数,对电气设备局部放电进行基于阈值的模式识别,识别局部放电的大小。
本发明充分考虑到局部放电具有随机性,对获得的多个局放信号采用概率分布模型进行拟合,根据尺度参数判断局部放电的电压大小,从而因地制宜采取进一步保护措施,对保障电力系统安全运行具有重要意义。
本发明低频电压的局部放电程度识别方法的一种具体实施例:
一种低频电压的局部放电程度识别方法,包括以下步骤:
步骤一:通过暂态地电压法、超声波检测法或特高频检测法等方法多次测量,获取大量重复的不同电压幅值下高压电气设备的局部放电电压波形信号。
步骤二:提取所获得的不同电压幅值下局部放电电压波形信号峰值,并换算为分贝值dB。
步骤三:选取换算后非噪声值的某一电压下局部放电数据,拟合为多种概率分布函数,对比各函数拟合优度检验参数,选出最佳拟合分布函数。
步骤四:利用步骤三选出的最佳拟合函数对某一电压幅值下的局部放电数据进行拟合,绘制数据分布概率图,获取拟合分布函数的形状参数和尺度参数,并经验累积分布函数的曲线。
步骤五:利用最佳拟合函数对各个电压幅值的局放信号拟合,绘制数据分布概率图,获得不同电压幅值下分布函数的形状参数和尺度参数。
步骤六:利用散点图对比分析电压幅值升高时概率分布函数图像的形状参数和尺度参数,设置识别局放程度大小的阈值,对局放大小进行识别。
本发明的有益效果:与现有电气设备局部放电识别方法相比,获取大量重复的局放信号,利用概率统计的方法用概率分布函数对信号进行拟合,更加准确地判断局部放电是否发生,分析不同电压幅值下概率分布图参数,确定了分布函数图像形状参数和尺度参数的阈值,可以识别局部放电的大小,便于对不同程度的局放采取相应措施,提高电力系统运行的稳定性。
本发明获取局部放电数据的一种具体实施例:
局部放电数据的获取方法如下:
通过暂态地电压法或/和超声波检测法或/和特高频检测法对高压电气设备进行多次测量,以获取若干重复的不同电压幅值下高压电气设备的局部放电电压波形信号;
提取局部放电电压波形信号的峰值,并将峰值换算为分贝值,从而得到局部放电数据。
本发明暂态地电压法的一种具体实施例:
暂态地电压法的测量方法如下:
根据高压电气设备的局放暂态地电压信号幅值范围,暂态地电压dBmV以1mV作基准值,其换算公式如下:
其中,Vm为检测到的暂态对地电压信号幅值;
本发明超声波检测法的一种具体实施例:
超声波检测法的测量方法如下:
根据高压电气设备的局放超声波信号的幅值Vm变化跨度,局放超声波信号dBuV以1uV作为基准,其换算公式如下:
其中,Vm为检测到的局放超声波信号幅值;
本发明特高频检测法的一种具体实施例:
特高频检测法的测量方法如下:
特高频信号dBm,以1mW作为基准,根据射频测量设备的输入阻抗和负载阻抗的阻值以及信号功率,得到特高频信号的功率,其换算公式如下:
其中,Pm为检测到的特高频信号能量功率幅值。
本发明构建最佳拟合分布函数模型的一种具体实施例:
构建最佳拟合分布函数模型的方法如下:
选取换算后非噪声值的某一电压幅值下的局部放电数据;
利用多种概率分布函数,对局部放电数据进行拟合,并得到拟合优度检验参数;
根据拟合优度检验参数,选出最佳拟合分布函数,完成最佳拟合分布函数模型的构建。
多种概率分布函数包括正态函数、对数正态函数、韦氏分布Weibull函数;
所述正态函数、对数正态函数、韦氏分布Weibull函数通过广义幂变换Box Cox或/和幂变换Johnson进行变换处理。
拟合优度检验参数至少包括服从程度AD值和支持程度P值;
服从程度AD值,用于测量数据服从特定分布的程度,分布与数据拟合越好,服从程度AD值越小;
支持程度P值是假定值,用于表示样本证据对拒绝原假设的支持程度,如果支持程度P值小于或等于显著性水平,则决策为否定原假设并得出数据不服从分布的结论;如果支持程度P值大于显著性水平,则决策为无法否定原假设,认为服从这种分布情况。
本发明局放分布状况的一种具体实施例:
局放分布状况为数据分布概率图,用于对某一电压幅值下的局部放电数据进行拟合,并得到最佳拟合分布函数的形状参数和尺度参数;
数据分布概率图的表达式如下:
其中,x为随机变量,α为尺度参数,β为形状参数。
具体实施例如图2所示,应用本发明进行低频电压下局部放电程度识别的一种具体实施例:
一种电气设备绝缘在低频电压下局部放电程度识别方法,包括以下步骤:
步骤一:通过暂态地电压法、超声波检测法或特高频检测法等方法多次测量,获取大量重复的不同电压幅值下高压电气设备的局部放电电压波形信号。
步骤二:提取所获得的不同电压幅值下局部放电电压波形信号的峰值,并换算为分贝值dB,可参见表3,不同方法测量的局放信号采用的换算公式不同。
暂态地电压换算方式:高压电气设备的局放暂态地电压信号幅值在1mV~1V,dBmV是以1mV作基准值的计量方式,换算公式为:
其中,Vm为检测到的暂态对地电压信号幅值;
超声波信号换算方式:高压电气设备局放超声波信号的幅值Vm变化相比于暂态地电压法,变化跨度更大,在0.5uV~100mV。局放超声波信号的dBuV以1uV作基准的计量方式,有:
其中,Vm为检测到的局放超声波信号幅值;
特高频信号换算方式:dBm是dBmW的缩写,其为一种功率测量体系,以1mW作基准,大多数射频测量设备的输入阻抗和负载阻抗一般是50欧姆,因此根据信号功率和阻抗有:
其中,Pm为检测到的特高频信号能量功率幅值;
步骤三:选取换算后非噪声值的某一电压幅值下局部放电数据,拟合为正态、对数正态、韦氏分布Weibull等多种概率分布情况及广义幂变换Box Cox和幂变换Johnson两种变换后的正态分布函数,对比各函数拟合优度检验参数服从程度AD值和支持程度P值,选出最佳拟合分布函数。
对某局部放电缺陷在7kV工频电压作用下进行采集,获得了局放放电数据,使用Minitab数据分析软件得到各种统计下的服从程度AD值和支持程度P值,参见表1。
表1不同概率分布拟合优度检验指数
服从程度AD值测量数据服从特定分布的程度,分布与数据拟合越好,此统计量越小。支持程度P值是假定值,表示样本证据对拒绝原假设的支持程度,如果支持程度P值小于或等于显著性水平,则决策为否定原假设并得出数据不服从分布的结论;如果支持程度P值大于显著性水平,则决策为无法否定原假设,认为原假设成立(即服从这种分布情况)。经过分析本实例选取双参数韦氏分布Weibull作主体。
韦氏分布的累积概率F表达式如下所示:
其中,x为随机变量,只有x≥0时,公式具有意义;α为尺度参数,β为形状参数。
步骤四:利用步骤三选出的最佳拟合双参数韦氏分布函数对某一电压下的局部放电数据进行拟合,绘制数据分布概率图,获取拟合分布函数的形状参数和尺度参数。
如图3所示,选取7kV绘制的韦氏概率分布。韦氏分布获得的形状参数控制分布函数形状的变化,并利用形状参数对本次随机局放结果进行拟合分析,根据不同的形状参数能看出该电压下局放的集中程度。韦氏分布获得的尺度参数控制分布函数在幅度上的变化,根据尺度参数的特点从系统上来看具有一定的规律性,同样可以作为分析局放大小的参考。电压等级低,形状参数大,尺度参数小,放电集中;电压等级高,形状参数小,尺度参数大,放电分散。同时绘制经验累积分布函数的曲线,判断拟合状况是否良好,步进线紧密地遵循拟合分布线则拟合情况良好。
步骤五:利用韦氏分布获得对各个电压幅值下的局放信号拟合,绘制数据分布概率图,获得不同电压下韦氏分布函数的形状参数和尺度参数,参见表2。
表2韦氏分布下的电压等级与形状参数及尺度参数表
电压等级(kV) | 形状参数(β) | 尺度参数(α) |
7 | 77.94 | 99.21 |
8.4 | 75.74 | 99.86 |
9.4 | 58.05 | 99.9 |
10.9 | 61.92 | 100.1 |
11.8 | 54.24 | 99.96 |
13.3 | 55.25 | 100.3 |
14.5 | 57.61 | 100.3 |
17.3 | 55.47 | 100.2 |
18.4 | 51.33 | 100.2 |
步骤六:利用表2绘制放电电压等级与形状参数散点(参见图4)和电压等级与尺度参数散点图(参见图5)对比分析电压幅值升高时概率分布函数图像的形状参数和尺度参数。
散点图绘制方法如下:
横坐标为电压等级,即局放测试时施加的电压;
纵坐标为该电压等级下测试获得的局放数据样本,通过韦氏分布处理获得的形状参数以及尺度参数,并通过描点获得散点图。
确定用于识别局放程度大小的阈值,以对局放程度大小进行识别。本实施例中尺度参数在99-99.8时,放电还不剧烈,在100以上时,发生高电压等级的放电现象,因此选取100作为尺度参数的阈值。
不同放电源可能阈值不同,这里仅通过一个例子来展示确定局放严重程度的过程。目前局放严重程度的划分,多依照经验人为确定。本发明中可根据形状参数或/和尺度参数曲线中数据点的分布情况进行划分。
优选地,本发明局放严重程度阈值选取原则为:尺度参数的80百分位数作为严重放电的阈值。
应用本发明方法的一种设备实施例:
一种计算机设备,其包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的一种低频电压的局部放电程度识别方法。
应用本发明方法的一种计算机介质实施例:
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的一种低频电压的局部放电程度识别方法。
表3原始数据
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包括有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种低频电压的局部放电程度识别方法,其特征在于,
包括以下内容:
获得不同电压幅值下的局部放电数据;
通过预先构建的拟合分布模型,对局部放电数据拟合,得到局放分布状况;
根据局放分布状况,计算形状参数或/和尺度参数,并得到形状参数或/和尺度参数的变化趋势;
根据变化趋势,确定用于区分局放程度的阈值;
根据阈值,对发生局放的程度进行识别。
2.如权利要求1所述的一种低频电压的局部放电程度识别方法,其特征在于,
局部放电数据的获取方法如下:
通过暂态地电压法或/和超声波检测法或/和特高频检测法对高压电气设备进行多次测量,以获取若干重复的不同电压幅值下高压电气设备的局部放电电压波形信号;
提取局部放电电压波形信号的峰值,并将峰值换算为分贝值,从而得到局部放电数据。
3.如权利要求2所述的一种低频电压的局部放电程度识别方法,其特征在于,
暂态地电压法的测量方法如下:
根据高压电气设备的局放暂态地电压信号幅值范围,暂态地电压以毫伏作基准值,并利用检测到的暂态对地电压信号幅值进行计算;
超声波检测法的测量方法如下:
根据高压电气设备的局放超声波信号的幅值变化跨度,局放超声波信号以微伏作为基准,并利用检测到的局放超声波信号幅值进行计算;
特高频检测法的测量方法如下:
特高频信号以毫瓦作为基准,根据射频测量设备的输入阻抗和负载阻抗的阻值以及信号功率,得到特高频信号的功率。
4.如权利要求3所述的一种低频电压的局部放电程度识别方法,其特征在于,
拟合分布模型为最佳拟合分布函数模型,其构建方法如下:
选取换算后非噪声值的某一电压幅值下的局部放电数据;
利用多种概率分布函数,对局部放电数据进行拟合,并得到拟合优度检验参数;
根据拟合优度检验参数,选出最佳拟合分布函数,完成拟合分布模型的构建。
5.如权利要求4所述的一种低频电压的局部放电程度识别方法,其特征在于,
多种概率分布函数包括正态函数、对数正态函数、韦氏分布函数;
所述正态函数、对数正态函数、韦氏分布函数通过广义幂变换或/和幂变换进行变换处理。
6.如权利要求5所述的一种低频电压的局部放电程度识别方法,其特征在于,
拟合优度检验参数至少包括服从程度值和支持程度值;
服从程度值,用于测量数据服从特定分布的程度;
支持程度值,用于表示样本证据对拒绝原假设的支持程度,如果支持程度值小于或等于显著性水平,则决策为否定原假设并得出数据不服从分布的结论;
如果支持程度值大于显著性水平,则决策为无法否定原假设,认为服从这种分布情况。
7.如权利要求1所述的一种低频电压的局部放电程度识别方法,其特征在于,
局放分布状况为数据分布概率图,用于对某一电压幅值下的局部放电数据进行拟合,并得到最佳拟合分布函数的形状参数或/和尺度参数;
数据分布概率图利用随机变量,对形状参数或/和尺度参数进行构建;
或/和,变化趋势的得到方法如下:
利用散点图对比分析电压幅值升高时,形状参数或/和尺度参数的变化情况,从而得到形状参数或/和尺度参数的变化趋势。
8.一种低频电压的局部放电程度识别方法,其特征在于,
包括以下内容:
获得不同电压幅值下的局部放电数据;
通过预先构建的最佳拟合分布函数模型,对局部放电数据拟合,得到函数分布图;
根据函数分布图,计算形状参数和尺度参数,并得到形状参数和尺度参数的变化趋势;
根据变化趋势,选取区分局放程度的阈值;
根据阈值,对发生局放的程度进行识别。
9.一种低频电压的局部放电程度识别方法,其特征在于,
包括以下步骤:
第一步,获得不同电压幅值下的局部放电数据;
第二步,通过预先构建的拟合分布模型,对第一步中的局部放电数据拟合,得到局放分布状况;
第三步,根据第二步中的局放分布状况,计算形状参数或/和尺度参数,并得到形状参数或/和尺度参数的变化趋势;
第四步,根据第三步中的变化趋势,确定用于区分局放程度的阈值;
第五步,根据第四步中的阈值,对发生局放的程度进行识别。
10.一种低频电压的局部放电程度识别系统,其特征在于,
采用如权利要求1-9任一所述的一种低频电压的局部放电程度识别方法;
其包括放电数据获取模块、拟合分布模块、阈值确定模块、局放程度识别模块;
放电数据获取模块,用于获得不同电压幅值下的局部放电数据;
拟合分布模块,用于对局部放电数据进行拟合,得到局放分布状况以及形状参数或/和尺度参数的变化趋势;
阈值确定模块,用于确定用于区分局放程度的阈值;
局放程度识别模块,用于根据阈值,对发生局放的程度进行识别。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089891 | 2022-09-07 | ||
CN2022110898913 | 2022-09-07 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116662900A true CN116662900A (zh) | 2023-08-29 |
Family
ID=87725144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310515415.1A Pending CN116662900A (zh) | 2022-09-07 | 2023-05-06 | 一种低频电压的局部放电程度识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662900A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786466A (zh) * | 2024-02-23 | 2024-03-29 | 兰州交通大学 | 基于智能频谱感知的信号盲识别方法 |
-
2023
- 2023-05-06 CN CN202310515415.1A patent/CN116662900A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786466A (zh) * | 2024-02-23 | 2024-03-29 | 兰州交通大学 | 基于智能频谱感知的信号盲识别方法 |
CN117786466B (zh) * | 2024-02-23 | 2024-04-26 | 兰州交通大学 | 基于智能频谱感知的信号盲识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116193B (zh) | 基于局放信号综合熵值的电气设备危险性放电判别方法 | |
EP0909390A2 (en) | Statistical pattern analysis methods of partial discharge measurments in high voltage insulation | |
CN116662900A (zh) | 一种低频电压的局部放电程度识别方法及系统 | |
CN114089033B (zh) | 一种基于频谱分析的异常信号检测方法及系统 | |
CN115128345B (zh) | 一种基于谐波监测的电网安全预警方法及系统 | |
Kim et al. | A study on three dimensional assessment of the aging condition of polymeric medium voltage cables applying very low frequency (VLF) tan δ diagnostic | |
CN110930057A (zh) | 基于lof算法的配电变压器检验结果可信度的量化评判方法 | |
CN117706943B (zh) | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 | |
Martinovič et al. | Fast algorithm for contactless partial discharge detection on remote gateway device | |
CN110543730A (zh) | 一种变压器绕组变形故障判定方法 | |
EP3916402A1 (en) | A method for monitoring the electric insulation status of a piece of equipment for mv or hv electric systems | |
CN117491813A (zh) | 新能源汽车动力电池系统绝缘异常检测方法 | |
CN112613191A (zh) | 电缆健康状态评估方法、装置、计算机设备和存储介质 | |
DE102010005525A1 (de) | Verfahren zur Zustandsüberwachung einer Maschine und Überwachungseinrichtung hierfür | |
CN116184060A (zh) | 一种适用于瓷质绝缘子带电作业的异动监测方法和系统 | |
CN115684855A (zh) | 基于孪生模型的电力设备内部绝缘缺陷放电量定量方法及系统 | |
CN113052249B (zh) | 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法 | |
CN113884970A (zh) | 一种电能质量监测装置谐波参数的现场在线校验方法 | |
Mishra et al. | Diagnostics analysis of partial discharge events of the power cables at various voltage levels using ramping behavior analysis method | |
Bozzo et al. | Electrical tree tests. Probabilistic inference and insulating material evaluation | |
CN111505450A (zh) | 一种基于紫外光子数对起晕场强进行判定的方法及系统 | |
CN111141996B (zh) | 一种基于广义极值理论的瓷绝缘子红外检测阈值优化方法、系统及存储介质 | |
Wang et al. | Noise suppression and pulse extraction method based on fluctuation characteristics of partial discharge signals | |
CN113504498B (zh) | 一种局部放电智能感知终端的性能检测方法及系统 | |
CN110017892B (zh) | 一种变压器的异常状态振声的检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |